待验证50% 置信事实精确时间
Transformer输出token时经过采样，会永久丢失关于模型考虑过哪些可能性及各自置信度的信息（有损过程）
1
来源数
50%
置信度
长期有效
时效性
2026/9/16
首次发现
来源
涉及实体
相关事实
待验证2024年研究者提出将模型的隐藏状态设计为可在测试时通过梯度下降更新的小模型，以解决Transformer长上下文计算复杂度过高的问题，同时保持RNN线性复杂度的优势73% 相似待验证标准Transformer在处理需要精确计数、栈操作或复杂状态依赖的任务时表现不稳定，与其注意力机制的软寻址特性有关73% 相似待验证Transformer模型存在位置偏差，对中间位置信息的检索能力尤其薄弱，即lost in the middle问题72% 相似待验证Transformer 模型存在'远端衰减'（Lost in the Middle）现象，对位于上下文中段、距离当前生成位置较远的内容关注度会系统性下降71% 相似待验证研究表明(Dettmers et al., 2022)，Transformer模型中特定隐藏维度会在所有token和层中持续出现异常大激活值，模型超过6.7B参数时现象更显著70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/925327API
curl https://kongchang.com/api/v1/knowledge/claims/925327MCP
get_claim(id=925327)